ANALISIS KOMPARASI LINEAR REGRESSION DAN POLYNOMIAL REGRESSION UNTUK PREDIKSI HARGA SAHAM

Ni Wayan Sumartini Saraswati; I Wayan Dharma Suryawan; I Made Andi Kertha Yasa

doi:10.35760/ik.2025.v30i1.14070

ANALISIS KOMPARASI LINEAR REGRESSION DAN POLYNOMIAL REGRESSION UNTUK PREDIKSI HARGA SAHAM

Ni Wayan Sumartini Saraswati
Institut Bisnis dan Teknologi Indonesia
Indonesia

I Wayan Dharma Suryawan
Institut Bisnis dan Teknologi Indonesia
Indonesia

I Made Andi Kertha Yasa
Institut Bisnis dan Teknologi Indonesia
Indonesia

DOI: http://dx.doi.org/10.35760/ik.2025.v30i1.14070

Article Submitted: 03 March 2025

Article Published: 02 May 2025

Abstract

Investasi memegang peranan penting dalam melawan inflasi dan mendorong pertumbuhan ekonomi. Di antara berbagai instrumen investasi, saham menawarkan potensi keuntungan yang tinggi, tetapi memerlukan analisis yang cermat untuk meminimalkan risiko dan memaksimalkan keuntungan. Penelitian ini berfokus pada prediksi harga penutupan yang disesuaikan (Adj Close) dari saham PT Mitra Energi Persada Tbk (KOPI.JK), sebuah perusahaan energi yang terdaftar di Bursa Efek Indonesia (BEI), menggunakan teknik regresi machine learning, karena data historis yang mengalami fluktuasi signifikan. Dengan membandingkan Linear Regression dan Polynomial Regression yang dilengkapi dengan pengoptimalan regularisasi Ridge dan Least Absolute Shrinkage and Selection Operator (LASSO). Penelitian ini bertujuan untuk mengidentifikasi model yang paling efektif dalam memprediksi harga saham. Hasil analisis menunjukkan bahwa fitur Low dan High memiliki korelasi yang paling kuat dengan harga Adj Close, sementara Volume memiliki korelasi terendah. Polynomial Regression dengan degree=3 dan pengoptimalan regularisasi Ridge memberikan performa terbaik. Hasil evaluasi mencapai Mean Square Error (MSE) 122.9618, Root Mean Squared Error (RMSE) 11.0888, dan R-squared (R²) 0.9883. Pada pengoptimalan model menggunakan LASSO cenderung mengurangi relevansi fitur sehingga memberikan performa yang lebih buruk

Keywords

linear regression; polynomial regression; harga saham; LASSO regularization; ridge regularization

References

A. Rosyidta Pratiwi Octasylva et al., “Analisis Teknikal Saham Kontruksi di Indonesia,” J. ILMU Pengetah. DAN Teknol., vol. 6, no. 2, pp. 23–32, Aug. 2022, doi: 10.31543/JII.V6I2.211.

T. Febiyola, R. S. Utari, B. T. Panggabean, and R. Agustina, “Analisis Surat Berharga Sebagai Alat Investasi,” Depos. J. Publ. Ilmu Huk., vol. 2, no. 3, pp. 75–86, Jun. 2024, doi: 10.59581/DEPOSISI.V2I3.3688.

M. Fiddin and P. A. Wulandari, “Analisis Teknikal Sebagai Dasar Pengambilan Keputusan Dalam Transaksi Saham,” EKALAYA J. Ekon. Akunt., vol. 2, no. 1, pp. 84–96, Mar. 2024, doi: 10.59966/EKALAYA.V2I1.711.

M. Mustaqim, D. C. Putrihadiningirum, and N. Wahyuningtiyas, “Analisis Teknikal Saham Kalbe Farma dengan Menggunakan Moving Average Convergence Divergence dan Stochastic Ocillator Selama Pandemi Covid-19 Periode 2020-2021,” Al-Muhasib J. Islam. Account. Financ., vol. 2, no. 1, pp. 98–118, Sep. 2022, doi: 10.30762/ALMUHASIB.V2I1.186.

D. Maulud, D. Maulud, and A. M. Abdulazeez, “A Review on Linear Regression Comprehensive in Machine Learning,” J. Appl. Sci. Technol. Trends, vol. 1, no. 2, pp. 140–147, Dec. 2020, doi: 10.38094/jastt1457.

J. Penelitian, P. Masyarakat, M. A. Pratama, and W. Priatna, “Utilizing Linear Regression for Predicting Sales of Top-Performing Products,” Int. J. Inf. Technol. Comput. Sci. Appl., vol. 1, no. 3, pp. 174–180, Sep. 2023, doi: 10.58776/IJITCSA.V1I3.92.

B. Purnomosidi, D. Putranto, M. A. Kholik, M. A. Nugroho, and D. Kriestanto, “Polynomial Regression Method and Support Vector Machine Method for Predicting Disease Covid-19 in Indonesia,” J. Intell. Softw. Syst., vol. 2, no. 1, pp. 18–23, Jul. 2023, doi: 10.26798/JISS.V2I1.931.

S. Sanyal, S. Kumar Biswas, D. Das, M. Chakraborty, and B. Purkayastha, “Boston House Price Prediction Using Regression Models,” 2022 2nd Int. Conf. Intell. Technol. CONIT 2022, 2022, doi: 10.1109/CONIT55038.2022.9848309.

A. Eka, A. Juarna, T. Informatika, F. T. Industri, and U. Gunadarma, “Prediksi Pro duksi Daging Sapi Nasional dengan Meto de Regresi Linier dan Regresi Polinomial,” J. Ilm. Komputasi, vol. 20, no. 2, pp. 209–215, 2021, doi: 10.32409/jikstik.20.2.2722.

D. I. Mulyana and Marjuki, “Optimasi Prediksi Harga Udang Vaname Dengan Metode Rmse Dan Mae Dalam Algoritma Regresi Linier,” J. Ilm. Betrik, vol. 13, no. 1, pp. 50–58, 2022, doi: 10.36050/betrik.v13i1.439.

I. P. Putra and I. Ketut Gede Suhartana, “Perbandingan Akurasi Algoritma Regresi Linier, Regresi Polinomial, dan Support Vector Regression Pada Model Sistem Prediksi Harga Rumah,” J. Nas. Teknol. Inf. dan Apl., vol. 1, no. 1, pp. 147–154, 2022, [Online]. Available: https://www.kaggle.com/datasets/wisnuanggara/daftar-hargarumah

S. A. L. Satriyo, Adi Rizky Pratama, and Rahmat, “Perbandingan metode linear regresi dan polynomial regresi untuk memprediksi harga saham studi kasus Bank BCA,” INFOTECH J. Inform. Teknol., vol. 4, no. 1, pp. 59–70, 2023, doi: 10.37373/infotech.v4i1.602.

S. Saadah, F. Z. Z, and H. H. Z, “Support Vector Regression (SVR) Dalam Memprediksi Harga Minyak Kelapa Sawit di Indonesia dan Nilai Tukar Mata Uang EUR/USD,” J. Comput. Sci. Informatics Eng., vol. 5, no. 1, pp. 85–92, 2021, doi: 10.29303/jcosine.v5i1.403.

J. Pebralia, “Analisis Curah Hujan Menggunakan Machine Learning Metode Regresi Linier Berganda Berbasis Python dan Jupyter Notebook,” J. Ilmu Fis. dan Pembelajarannya, vol. 6, no. 2, pp. 23–30, 2022, doi: 10.19109/jifp.v6i2.13958.

M. Rafi Muttaqin, T. Iman Hermanto, M. Agus Sunandar, P. Studi Teknik Informatika, and S. Tinggi Teknologi Wastukancana, “Penerapan K-Means Clustering dan Cross-Industry Standard Process For Data Mining (CRISP-DM) untuk Mengelompokan Penjualan Kue,” Journal.Unpak.Ac.Id, vol. 191. Rafi, no. 1, pp. 38–53, 2022, [Online]. Available: http://journal.unpak.ac.id/index.php/komputasi/article/view/3976

A. A. Azahra, “Analisis Prediksi Jumlah Penerimaan Mahasiswa Baru Menggunakan Metode Regresi Linier Sederhana,” Bull. Appl. Ind. Eng. Theory, vol. 3, no. 1, pp. 75–78, 2022.

Wilantapoera dkk, “Analisis Sentimen Kategori Aspek Pada Ulasan Produk Menggunakan Metode KNN Dengan Seleksi Fitur Mutual Information Program Studi Sarjana Informatika Fakultas Informatika Universitas Telkom Bandung Lembar Persetujuan Analisis Sentimen Kategori Aspek Pada U,” vol. 10, no. 2, pp. 1673–1681, 2022.

W. Han, H. Chen, and S. Poria, “Improving Multimodal Fusion with Hierarchical Mutual Information Maximization for Multimodal Sentiment Analysis,” EMNLP 2021 - 2021 Conf. Empir. Methods Nat. Lang. Process. Proc., no. Mi, pp. 9180–9192, 2021, doi: 10.18653/v1/2021.emnlp-main.723.

D. S. Ramadhansyah, “Perbandingan Metode Seleksi Fitur Filter, Wrapper, Dan Embedded Prediksi Kandungan Vitamin C Pada Buah Mangga Meggunakan Metode Linear Regression Dan …,” no. mm, 2022.

I. Mamlua’atul Mufidah and H. Basuki, “Analisis Regresi Linier Berganda Untuk Mengetahui Faktor Yang Mempengaruhi Kejadian Stunting Di Jawa Timur,” Indones. Nurs. J. Educ. Clin., vol. 3, no. 3, pp. 51–59, 2023.

S. Wang, Y. Chen, Z. Cui, L. Lin, and Y. Zong, “Diabetes Risk Analysis based on Machine Learning LASSO Regression Model,” J. Theory Pract. Eng. Sci., vol. 4, no. 1, pp. 58–64, 2024, doi: 10.53469/jtpes.2024.04(01).08.

A. Lesmana, S. Rina, F. Sari, and R. Widyasari, “Penerapan Lasso Kematian Pasien Komorbid Yang Terinfeksi Covid-19,” J. Penelit. Mat. dan Pendidik. Mat., vol. 7, no. 1, pp. 290–296, 2024.

S. Suritman, R. Raupong, A. Kalondeng, D. Statistika, and F. Matematika dan Ilmu Pengetahuan Alam, “Pemodelan Mixed Geographically Weighted Regression yang Mengandung Multikolinearitas dengan Regresi Ridge,” Estimasi J. Stat. Its Appl., vol. 4, no. 1, pp. 2721–379, 2023, doi: 10.20956/ejsa.vi.25426.

I. Amansyah, J. Indra, E. Nurlaelasari, and A. R. Juwita, “Prediksi Penjualan Kendaraan Menggunakan Regresi Linear : Studi Kasus pada Industri Otomotif di Indonesia,” vol. 4, pp. 1199–1216, 2024, [Online]. Available: https://j-innovative.org/index.php/Innovative%0APrediksi

A. S. B. Karno, “Prediksi Data Time Series Saham Bank BRI Dengan Mesin Belajar LSTM (Long ShortTerm Memory),” J. Inform. Inf. Secur., vol. 1, no. 1, pp. 1–8, 2020, doi: 10.31599/jiforty.v1i1.133.

A. Wibowo and E. Setiadi, “Uji Kelayakan Konstruksi Balok Pt Daeyung Dari Aplikasi Sap2000 Menggunakan Machine Learning Dengan Model Linier Regression,” J. Tek. Sipil Cendekia, vol. 5, no. 1, pp. 799–814, 2024, doi: 10.51988/jtsc.v5i1.185.

J. Karch, “Improving on Adjusted R-Squared,” Collabra Psychol., vol. 6, no. 1, p. 45, Sep. 2020, doi: 10.1525/collabra.343.

E. D. Madyatmadja, M. N. Ridho, A. R. Pratama, M. Fajri, and L. Novianto, “Penerapan Visualisasi Data Terhadap Klasifikasi Tindak Kriminal Di Indonesia,” Infotech J. Technol. Inf., vol. 8, no. 1, pp. 61–68, 2022.

I. Setya, D. Jayanti, and M. A. Khadija, “Business Intelligence Dashboard Data Pengunjung Kearsipan Di Dinas Perpustakaan Dan Kearsipan Kota Surakarta,” vol. 4, pp. 8629–8638, 2024.